Job Description:

Zur Unterstützung der Abteilung Tooling Design Single Parts sucht Airbus Helicopters einen

Praktikanten / Abschlussarbeit - Titel: KI & Surrogate Modeling für thermische Autoklav-Prozesse (d/m/w)

Du bist auf der Suche nach einem Praktikum und einer Abschlussarbeit und möchtest die Arbeit im Bereich Entwicklung von Betriebsmitteln kennenlernen? Dann bewirb dich jetzt! Wir freuen uns, wenn du uns als Praktikant (d/m/w) unterstützt!

• Standort: Donauwörth
• Start: 01.01.2027
• Dauer: 3 Monate Praktikum und 6 Monate Abschlussarbeit

Dein Standort

Am Standort Donauwörth am Ufer der Donau nahe Augsburg entwickeln wir Hubschrauber von der ersten Idee bis zum flugfähigen Produkt. Erlebe mit uns, wie sie auf unserem eigenen Testflugplatz abheben und landen.

Deine Vorteile

• Attraktive Vergütung und ausgeglichene Work-Life-Balance bei einer 35-Stunden-Woche (Gleitzeit).
• Eine Abschlussarbeit ist im Anschluss nach Rücksprache mit dem Fachbereich möglich.
• Internationales Umfeld mit der Möglichkeit, Kontakte in die ganze Welt zu knüpfen.
• Arbeit mit modernen/abwechslungsreichen Technologien.
• Möglichkeit zur Teilnahme an der Generation Airbus Community zur Erweiterung des eigenen Netzwerks.

Deine Aufgaben und Verantwortlichkeiten

Sie arbeiten in der Betriebsmittelentwicklung des Standortes Donauwörth, welche die gesamten Fertigungsbereiche am Standort Donauwörth bedient.

Ziel des Projekts

In der Fertigung von Helikopter Bauteilen aus Faserverbundwerkstoffen (CFK) und Sandwichstrukturen ist der Aushärteprozess im Autoklav ein hochkomplexer und kritischer Schritt. Um die Bauteilqualität zu sichern, müssen Temperatursensoren vor jedem Durchlauf an den optimalen Hot- und Cold-Spots der Vorrichtungen platziert werden. Konventionelle thermische Simulationen sind zeit- und rechenaufwendig.

Ziel dieses Projektes ist es, die Machbarkeit eines KI-Agenten zu untersuchen, der thermodynamische Phänomene basierend auf Geometriedaten und Metadaten echtzeitnah vorhersagen kann.

Aufgabe n

• Untersuchung und Bewertung verschiedener Ansätze zur Repräsentation komplexer CAD- und Simulationsdaten für neuronale Netze (z. B. 2D-Bilddaten, STL,..).
• Auswahl geeigneter Deep-Learning-Architekturen (z. B. CNNs, GNNs) und Implementierung eines Prototyps zur schnellen Vorhersage von Temperaturverteilungen.
• Konzeption und Aufbau einer automatisierten Data Pipeline zur Transformation von Konstruktions- und Simulationsrohdaten für das Modelltraining.